• Aucun résultat trouvé

Structured Web Content Extraction

N/A
N/A
Protected

Academic year: 2022

Partager "Structured Web Content Extraction"

Copied!
24
0
0

Texte intégral

(1)

Structured Web Content Extraction

(2)

Plan

Manual Selection and Extraction Techniques Generalities

Regular Expressions CSS selectors XPath

Wrapper induction

(3)

Plan

Manual Selection and Extraction Techniques Generalities

Regular Expressions CSS selectors XPath

Wrapper induction

(4)

Document Object Model (DOM)

Tree representation of an HTML document, suitable for manipulation and extraction.

Example

<html lang="en">

<head><title>Title</title></head>

<body><p>Content</p></body>

</html>

html

head body @lang

(5)

Languages for extraction

Based on serialization: regular expressions (see further) Based on DOM:

DOM navigation expresses local navigation in the DOM, from a node to its parent, its children, its attribute, etc.

Standard API [W3C] but variations.

searching elements by tag names, identifiers, names, class names

CSS selectors (see further) XPath (see further)

(6)

Plan

Manual Selection and Extraction Techniques Generalities

Regular Expressions CSS selectors XPath

Wrapper induction

(7)

Regular Expressions

Apply to the serialized representation, not to the DOM tree.

Available in a wide range of host languages (including Python with therepackage).

The following characters aremetacharacters.

? * + | ( ) ^ $ . [ ] { } " \

Metacharacters have special meaning; they do not represent themselves.

All other characters represent themselves.

(8)

Operators

r One occurrence ofr

r? Zero or one occurrence ofr r* Zero or more occurrences ofr r+ One or more occurrences ofr r|s r ors

rs r concatenated withs r andsare regular expressions.

(9)

Grouping and extra symbols

Parentheses are used for grouping.

The expression

("+"|"-")?

represents an optional plus or minus sign.

If a regular expression begins with^, then it is matched only at the beginning of a line or string (depending on context).

If a regular expression ends with$, then it is matched only at the end of a line or string (depending on context).

The dot.matches any non-newline character.

(10)

Character groups

Brackets[ ]match any single character listed within the brackets.

For example,

[abc]matchesaorborc.

[A-Za-z]matches any letter.

If the first character after[is^, then the brackets match any characterexceptthose listed.

[^A-Za-z]matches any nonletter.

(11)

Plan

Manual Selection and Extraction Techniques Generalities

Regular Expressions CSS selectors XPath

Wrapper induction

(12)

Simple, multiple, universal selectors

Simple selector: tag name

Multiple selector: several selectors joined by commas Universal selector: ‘*’, selects everything

Examples

ul selects unordered lists

h1,h2,h3,h4,h5,h6 selects all section titles

* selects everything

(13)

Class selectors

Class selector: class name, prefixed with ‘.’, as it appears in a class attribute of an HTML tag

Examples

.person selects all tags with classperson

p.comment selects all <p> tags with classcomment

(14)

Identifier selector

Identifier: as defined by the id attribute of an HTML tag. Similar to classes, butonly onetag with a given id in the whole HTML document

Identifier selector: identifier name, prefixed with ‘#’, as it appears in the id attribute of an HTML tag

Examples

#introduction selects the tag with identifierintroduction p#introduction selects the <p> tag with identifier introduction

(15)

Contextual selectors

Contextual selector: 2 selectors or more separated by spaces. A B selectsB’s only if they are contained inA’s

Child selector: 2 selectors separated by>.A>BselectsB’s children ofA’s

Next sibling selector: 2 selectors separated by+.A+BselectsB’s that are the next sibling of anA

Examples

h1 em selects text in emphasis within a main title ul ol, ol ul, ul ul, ol ol selects nested lists

(16)

Pseudo-class

Pseudo-class: specify some external properties of a class

Examples

article > p:first-child selects all paragraphs that are first-children of an <article>

(17)

Plan

Manual Selection and Extraction Techniques Generalities

Regular Expressions CSS selectors XPath

Wrapper induction

(18)

XPath

cf. separate set of slides

(19)

Plan

Manual Selection and Extraction Techniques Wrapper induction

(20)

Principles [Chang et al., 2006]

Labeled Web Pages User

Wrapper Induction

System GUI

3 User

Wrapper

User

Un-labeled Training Web Pages

Supervised Manual

Semi-supervised Un-supervised

Test Page

GUI

(21)

Supervised, semi-supervised, and domain- based techniques

Many academic approaches and systems

No ready-to-use free software for supervised and semi-supervised extraction (as far as I know)

Existing companies selling wrapper induction software: Lixto (semi-supervised), Wrapidity (domain-based)

(22)

Unsupervised techniques

Exploiting data redundance within a page [Liu et al., 2004] or across pages [Crescenzi et al., 2001, Arasu and Garcia-Molina, 2003]

RoadRunner: freely downloadable and existing demos at http://www.dia.uniroma3.it/db/roadRunner/

(23)

Bibliography I

Arvind Arasu and Hector Garcia-Molina. Extracting structured data from Web pages. pages 337–348, June 2003.

Chia-Hui Chang, Mohammed Kayed, Mohem Ramzy Girgis, and Khaled F. Shaalan. A survey of Web information extraction systems.

18(10):1411–1428, October 2006.

Valter Crescenzi, Giansalvatore Mecca, and Paolo Merialdo.

RoadRunner: Towards Automatic Data Extraction from Large Web Sites. 2001.

Bing Liu, Robert L. Grossman, and Yanhong Zhai. Mining Web Pages for Data Records. IEEE Intelligent Systems, 19(6):49–55, 2004.

W3C. Document Object Model. http://w3.org/DOM.

(24)

Licence de droits d’usage

Contexte public}avec modifications

Par le t ´el ´echargement ou la consultation de ce document, l’utilisateur accepte la licence d’utilisation qui y est attach ´ee, telle que d ´etaill ´ee dans les dispositions suivantes, et s’engage `a la respecter int ´egralement.

La licence conf `ere `a l’utilisateur un droit d’usage sur le document consult ´e ou t ´el ´echarg ´e, totalement ou en partie, dans les conditions d ´efinies ci-apr `es et `a l’exclusion expresse de toute utilisation commerciale.

Le droit d’usage d ´efini par la licence autorise un usage `a destination de tout public qui comprend : – le droit de reproduire tout ou partie du document sur support informatique ou papier,

– le droit de diffuser tout ou partie du document au public sur support papier ou informatique, y compris par la mise `a la disposition du public sur un r ´eseau num ´erique,

– le droit de modifier la forme ou la pr ´esentation du document,

– le droit d’int ´egrer tout ou partie du document dans un document composite et de le diffuser dans ce nouveau document, `a condition que : – L’auteur soit inform ´e.

Les mentions relatives `a la source du document et/ou `a son auteur doivent ˆetre conserv ´ees dans leur int ´egralit ´e.

Le droit d’usage d ´efini par la licence est personnel et non exclusif.

Tout autre usage que ceux pr ´evus par la licence est soumis `a autorisation pr ´ealable et expresse de l’auteur :[email protected]

Références

Documents relatifs

La diffusion de ce mémoire se fait dans le respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de

La diffusion de cette thèse se fait dans le respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de

La diffusion de cette thèse se fait dans le respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de

Système Auteur-Date : On réfère aux documents sous la forme d’une citation abrégée (Auteur, Date) dans le corps du texte, et on pro- cède de même pour toutes les mentions

La diffusion de ce mémoire se fait dans le respect des droits de son auteur , qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de

La diffusion de cette thèse se fait dans le respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de recherche

La diffusion de ce mémoire se fait dans le ' respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de

La diffusion de ce mémoire se fait dans le respect des droits de son auteur , qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de